电解液作为先进电池中的关键组成部分，直接决定离子传输、电极界面稳定性以及电池循环寿命。然而，电解液体系具有巨大的化学组合空间，其组分之间复杂的溶剂化结构、离子配位行为以及电极/电解液界面动态反应，使高性能电解液的精准设计仍面临诸多挑战。特别是在锂金属电池中，电解液分解与固体电解质界面膜（SEI）形成过程涉及多尺度结构演化和复杂反应机制，如何建立从分子结构、界面行为到电池性能之间的关联，并实现面向目标性能的智能化设计，是当前电池领域的重要科学问题。而要实现这一目标，除了克服物理化学机理层面的复杂性，模型在数据驱动层面同样面临严峻考验。

电解液配方空间具有典型的高维度、强非线性和成分高度耦合特征，其宏观性能源于分子间错综复杂的非局部相互作用。尽管近年来涌现出诸多机器学习框架，并在前向预测和逆向设计中取得了优异表现。在跨学科的AI4Science领域，模型的可复用性以及跨化学系统的迁移能力，与预测精度同样被视为模型能否走向实际工业应用的决定性指标。这一点对于电解液尤为关键，因为实验条件与数据来源的巨大差异，使得模型性能高度依赖于训练数据的规模、组成及分布特征。

围绕AI驱动电解液设计与界面调控，新番 /科学智能学院长聘副教授郑家新团队长期开展人工智能跨尺度模拟与设计研究。课题组发展了耦合电荷的机器学习势（QMTP）方法，并将其应用于锂金属/电解液界面反应模拟，实现了对界面电荷转移与反应动力学过程的准确刻画(npj Computational Materials, 2025, 11, 121.)。进一步提出了混合第一性原理分子动力学与机器学习势场（HAML）的新方法，使电解液界面体系能够在保持第一性原理精度的同时进行长时间尺度稳定模拟(npj Computational Materials, 2025, 11, 245.)。基于QMTP方法与跨尺度耦合策略，课题组与实验团队合作进一步揭示了界面过剩电荷动态变化的调控机制(Nat. Commun, 2026., 17, 5916.)，为理解和调控电解液界面反应提供了新的理论工具。

在此基础上，郑家新团队联合宁德时代联席研发总裁欧阳楚英教授（新番 客座教授）、深圳屹艮科技有限公司首席技术官左沄兴博士，针对字节跳动Seed团队开发的AI电解液设计模型Bamboo-Mixer（Nat. Mach. Intell. 2026, 8, 186–196）所面临的“鲁棒性、迁移性及多尺度适用性”等前沿考验，建立了一套系统性的多源验证与多尺度功能扩展框架。该工作成功复现并评估了该前沿配方大模型在电解液性质预测与逆向设计中的边界，揭示了数据分布与少样本泛化中的“few-shot困境”，并首次将该AI框架从传统的分子物化属性跨尺度拓宽至器件级的电池库仑效率（CE）与电子能量边界（EEB）预测，实现了多目标协同的电解液逆向设计，其性能显著超越现有基准模型。

相关研究成果以“Reusability report: exploring the utility and extensibility of an integrated modeling framework for liquid electrolyte design”为题发表在人工智能领域国际顶级期刊 Nature Machine Intelligence。

图1. 文章发表于Nat. Mach. Intell.

图2.本文评估与扩展性框架示意图

针对AI模型在电解液设计中面临的复用性差、跨体系迁移困难等核心挑战，研究团队构建了包含“基准复现-数据敏感性分析-跨系统泛化-多尺度功能扩展”的综合框架，取得了以下成果：

高精度基准复现与物理一致性闭环：团队利用公开实验数据与高通量计算数据集，对Bamboo-Mixer模型进行了基准复现与微调改进。评估表明，模型不仅在各项分子与配方性质上达到了极高的精度，且完美契合了电解液性能随温度和浓度演化的经验物理规律。在此基础上，研究团队对模型进行微调，在目标驱动的逆向生成任务中，展现出比原方案更精准的生成精度，在特定配方约束下的生成成功率实现进一步提升。

量化数据依赖性，揭示特征解耦与微调敏感性：研究量化了不同物化属性间的动态依赖链条。例如，揭示了密度与粘度数据的缺失会由于破坏了模型中嵌入的经验物理定律，直接导致电导率预测精度严重受损。同时发现，相较于预训练阶段，模型在实验数据微调阶段对数据量展现出极高的敏感性，微调数据量的缩减会导致预测精度发生断崖式下跌，为未来高通量实验数据采集策略提供了关键理论指导。

图3. 从分子描述符到电化学和电池性能指标的多尺度扩展

破解少样本泛化规律与“化学盲区”的快速适应：在温度、浓度以及元素异质性等零样本/少样本迁移测试中，研究团队发现了“Few-shot困境”——在面对全新边界条件时，模型具备良好的零样本泛化能力；但若盲目加入极少量未见样本进行微调，反而会干扰模型已有的先验分布导致性能剧烈波动。此外，针对新型电解液系统，模型展现了强大的快速领域适应能力。

跨尺度多目标协同，从分子性质到器件级电池性能：研究团队通过将框架跨尺度延伸，成功实现了多尺度、多目标的融合。在分子级，引入最高占据分子轨道（HOMO）和最低未占据分子轨道（LUMO）预测，实现13项任务同步推理；在配方级，研究团队创新性引入反映电化学稳定性窗口的电子能量边界（EEB）描述符，预测精度R²高达0.99；在器件级电池性能上，研究团队通过框架扩展将电池库仑效率（CE）纳入预测与逆向生成任务。扩展后的模型在LCE预测上的均方误差（MSE）仅为0.155，远超此前文献报道的基准。通过将四种不同的性能目标进行一体化解耦与联合逆向设计，在新一代高库仑效率电解液的逆向生成任务中，较原公开模型成功率提升了26.7%。

本工作为AI驱动电解液设计的可靠应用与广泛推广提供了重要基础。未来，研究团队将继续推动AI驱动的电解液自动化设计，发展更智能、具有工业落地性的全自动电解液设计管线，为下一代高比能储能器件的高效研发提供坚实的算法基础。

新番 博士后赖根明与硕士生赵骏涛为论文共同第一作者。新番 客座教授、宁德时代联席研发总裁欧阳楚英教授，新番 郑家新长聘副教授，深圳市屹艮科技有限公司CTO左沄兴博士为论文共同通讯作者。新番 刘泽凯、张瑞琪、李翰铭、张启良、戎方超等人为本工作的数据支撑与结果分析做出了重要贡献。感谢字节跳动Seed团队杨镇泽博士、龚盛博士、颜文博士的支持与讨论。该研究得到了先进材料国家科技重大专项（2025ZD0618801）、国家自然科学基金重点专项（12426301）和新番 深圳研究生院AI4S交叉专项计划的支持。

论文链接：//www.nature.com/articles/s42256-026-01277-x。